Аналитик-разработчик в группу аналитики поисковых технологий

Привет! Меня зовут Никита, я руковожу группой аналитики поисковых технологий в Екоме. Наша команда занимается аналитикой ML- и инфраструктурных технологий, которые лежат в сердце Яндекс Поиска.

От аналитики правильности зависит базовое качество нашего продукта и пользовательский опыт взаимодействия с ним. В рунете больше 100 млн товаров, а также более 20 млрд предложений об их продаже. 10% товаров меняют какую-либо из своих характеристик в течение суток.

Ищем специалиста, который будет заниматься аналитикой правильности еком-товаров. Вам предстоит отвечать на множество вопросов. Например:

• Как научить ML-модели понимать, что какая-либо из характеристик товара меняется часто?
• Как понять, что цена товара в нашей базе корректная и актуальная?
• Все ли партнёры приносят нам свой ассортимент с правильными характеристиками и ценами?
• Насколько правильная наша товарная база в целом?

Выстраивание системы метрик
Метрики — основа любого продукта. От качества метрик зависит, что в итоге выучат наши ML-модели и в какую сторону будет двигаться продукт. Мы используем систему из офлайн- и онлайн-метрик. Эту систему предстоит улучшать, а для этого нужно понять, где её область применения, какие у неё недостатки и как их исправить.

Сбор офлайн-метрик качества базы
Вам предстоит собирать learn-датасет для ML-моделей и формировать метрики их качества. Для этих задач мы используем краудсорсинг и GPT-разметку.

Приоритизация задач правильности на основе данных
Решить задачу правильности разом для всей товарной базы — проблема сверхсложная. Очень много категорий товаров и нюансов — чтобы учесть их все, нужны большие ресурсы и запас времени. Но есть более важные срезы и задачи, и команде аналитики нужно определять приоритетность.

Больше об аналитике в Яндексе — в канале Yandex for Analytics

• Работали с большими объёмами событийных данных и логами различных сервисов
• Уверенно владеете Python и SQL
• Знаете статистику и теорию вероятностей
• Можете самостоятельно разбираться в данных, находить проблемы качества и причины аномалий

• Участвовали и побеждали в олимпиадах по математике, физике, программированию
• Работали с архитектурой аналитических данных продукта (собирали DWH, витрины)
• Разрабатывали и внедряли новые метрики
• Знаете основы машинного обучения